HuaYuexia

Can you talk about how the method comparison in Section 4.2 inserted these methods into Faster R-CNN？

多张图片编号到text

3

请问qwen2.5vl的编码方式是只能将图片token编码到提问text的起始位置嘛？ 如果有多张图片，在add_vision_id=True已经设置的情况下。请问应该怎么把图像id添加到prompt中去呢，比如我有两张图片，怎么表示呢？ '图像1 are {} images extracted evenly from a video. ' + '图像2 are {} images extracted evenly from another video. ' 如何把这个图像1，图像2用图像id表示呢？才能让图像token插入到我想要的位置上